草图大师（SketchUp）源木全屋定制，源木家具设计插件：YuanMu_V2.52

该款小程序支持多种小程序，包括快手小程序、微信小程序、抖音小程序、QQ小程序，每个都有独立的设置功能，用户可以根据不同的需求进行自由搭配设置。此外，该小程序还支持公众号对接，方便用户在公众号中直接使用。 该小程序提供了完整的源代码，用户可以自行修改和优化。与此同时，它还支持流量主，用户能够通过广告投放获得更多收益。而分享裂变功能则帮助用户扩大影响力,提高小程序的曝光率。

2024全新付费进群系统源码 Thinkphp框架全开源独立版 九块九进群源码 付费入群进群源码 最新微信付费进群源码全开源版最新微信付费进群源码全开源版最新微信付费进群源码全开源版最新微信付费进群源码全开源版最新微信付费进群源码全开源版最新微信付费进群源码全开源版最新微信付费进群源码全开源版最新微信付费进群源码全开源版最新微信付费进群源码全开源版最新微信付费进群源码全开源版最新微信付费进群源码全开源版最新微信付费进群源码全开源版最新微信付费进群源码全开源版最新微信付费进群源码全开源版最新微信付费进群源码全开源版最新微信付费进群源码全开源版最新微信付费进群源码全开源版最新微信付费进群源码全开源版最新微信付费进群源码全开源版最新微信付费进群源码全开源版最新微信付费进群源码全开源版最新微信付费进群源码全开源版最新微信付费进群源码全开源版最新微信付费进群源码全开源版最新微信付费进群源码全开源版最新微信付费进群源码全开源版最新微信付费进群源码全开源版最新微信付费进群源码全开源版最新微信付费进群源码全开源版最新微信付费进群源码全开源版最新微信付费进群源码全开源版最新微信付费进群源码全开源版最新微

1-服务器基础知识全解-2nd.pdf

卷积和全连接神经网络实现手写数字识别 本文档介绍了使用卷积神经网络和全连接神经网络实现手写数字识别的方法。文档中首先介绍了实验的内容和实验原理，然后详细讲解了全连接神经网络和卷积神经网络的原理和结构。文档还提供了实验步骤，指导读者如何使用 Keras 实现手写数字识别。 一、实验内容 本实验的目的是使用 Keras 实现手写数字识别。实验中，我们将使用 MNIST 数据集，该数据集包含 60000 张手写数字图片，每张图片的大小是 28x28 个像素点。我们将使用全连接神经网络和卷积神经网络两种方法来实现手写数字识别。 二、实验原理 ### 2.1 数据集 MNIST 数据集是手写数字识别的常用数据集。每张图片由 28x28 个像素点构成，每个像素点用一个灰度值表示。可以将这 28x28 个像素展开为一个一维的行向量，作为输入，也就是有 784x1 的向量。 ### 2.2 神经元 人工神经网络（ANN，Artificial Neuron Network）是模拟生物大脑的神经网络结构，它是由许多称为人工神经细胞（Artificial Neuron，也称人工神经元）的细小结构单元组成。简易模型如下所示： x1 … xn：表示神经细胞的输入，也就是输入神经细胞的信号。 w1 … wn：表示每个输入的权重，就好比生物神经网络中每个轴突和树突的连接的粗细，强弱的差异。 b：偏置权重 threshold：偏置（可以将 threshold * b 看作是前面提到的生物神经细胞的阈值） 蓝色部分：细胞体。 黄色球形是所有输入信号以的求和。 红色部分是表示求和之后的信号的激励函数（即达到阈值就处于兴奋状态，反之抑制，当然作为人工神经细胞，其激励函数很多，阶跃（型）激励函数，sigmoid（s 型）激励函数，双曲正切（tanh）激励函数，ReLu（Rectified Linear Units）激励函数等等） ### 2.3 全连接神经网络 全连接神经网络模型是一种多层感知机（MLP），感知机的原理是寻找类别间最合理、最具有鲁棒性的超平面，感知机最具代表的是 SVM 支持向量机算法。神经网络同时借鉴了感知机和仿生学，神经元接受一个信号后会发送各个神经元，各个神经元接受输入后根据自身判断，激活产生输出信号后汇总从而实现对信息源实现识别、分类。 包含两个隐藏层的神经元网络结构如下： 每个结点和下一层所有几点都有运算关系，实践中全连接神经网络通常有多个隐藏层，增加隐藏层可以更好的分离数据的特征，但过多的隐藏层也会增加训练时间以及会产生过拟合。 训练神经网络中需要使用 bp 算法，先是通过前向传播，得到预测结果，再反向传播去调整模型权重。反向传播：反向传播根据前向传播产生的损失函数值，沿输出端向至输入端优化每层之间参数，在此过程中运算利用梯度下降法优化参数，神经网络求解参数本质上仍然是规则中求最优解问题，现在的机器学习框架如 Tensorflow、pytorch、keras 将梯度下降法、Booting、Bagging 这些优化中常用技巧封装起来，我们只用关注数据建模即可。 ### 2.4 卷积神经网络 卷积神经网络可以利用空间结构关系减少需要学习的参数量，提高反向传播算法的训练效率。一般的 CNN 有多个卷积层构成，每个卷积层会进行如下操作： 图像通过多个不同的卷积核的滤波，并加偏置（bias），提取出局部特征，每一个卷积核会映射出一个新的 2D 图像。将前面卷积核的滤波输出结果进行非线性的激活函数处理。对激活函数的结果再进行池化操作（即降采样），目前一般是使用最大池化，保留最显著的特征，并提升模型的畸变容忍能力。 这几个步骤就构成最常见的卷积层，当然也可以在加上一个 LRN 层（Local Response Normalization，局部响应归一化层）。 CNN 的要点是卷积核的权值共享（Weight Sharing）、局部连接模式（Local Connection）和池化层（Pooling）中的降采样（Down-Sampling）。局部连接和权值共享降低了参数量，使训练复杂度大大下降，减轻过拟合并降低计算量。同时权值共享还赋予了 CNN 对平移的容忍性，而池化层降采样则进一步降低了输出层参数，并赋予模型轻度形变的容忍性，提高模型的泛化能力。 每个卷基层包含三个部分：卷积、池化和非线性激活函数使用卷积提取空间特征降采样的平均池化层、双曲正切或 S 型的激活函数、MLP 作为最后的分类器层与层之间的稀疏连接减少计算复杂度。 三、实验步骤 ### 3.1 全连接神经网络实现 1. 获取数据集 Keras 中集成了 MNIST 数据集，直接从其中导入数据，并对数据进行整理。从之可以看出，数据为 28*28，一共 60000 张。 2. 对数据集中的数据进行可视化 3. 对数据进行维度转换把每一张 28 x 28 的图片分别转为长度为 784 的向量，再合并成一个大的像素矩阵，每个维度表示一个像素点的灰度值/255。 4. 对输出结果进行格式转化将经过神经网络训练完后的内容，转化为 10 个类别的概率分布。 本文档介绍了使用卷积神经网络和全连接神经网络实现手写数字识别的方法。使用 Keras 实现手写数字识别可以使用 MNIST 数据集，并使用全连接神经网络和卷积神经网络两种方法来实现手写数字识别。

CoDeSys资料合集

STK（Satellite Tool Kit）是美国Analytical Graphics公司开发的卫星工具软件包，广泛应用于航天领域。它以强大的功能和高度的用户友好性为特点，尤其在卫星、遥感以及侦测领域提供了立体显示和简化软件编程的功能。STK可以进行空间态势的图形展示和分析，适用于卫星轨道设计、飞行器导航、通信链路分析、覆盖分析以及地面站管理等多种应用。 STK的主要功能模块包括： 1. 用户界面：STK拥有一个集成式用户界面，用户可以通过图形化的操作界面创建场景、管理场景对象、设置场景图形参数等。 2. 场景对象：场景中可以包含多种对象，如卫星、飞机、船、车辆、导弹、地面站、行星、恒星、目标以及遥感器、接收机、转发器、雷达等。 3. 文件管理：用户可以进行文件的存储和管理，便于场景的存档和再利用。 4. STK工具：包含报告生成、图表显示、动态显示、动态图表制作、可见性分析等工具。 5. STK专业版：提供高级分析功能，包括高精度轨道预报、长期轨道预报、卫星寿命计算以及高分辨率地图和地形数据的支持。 6. 链路与星座：用于描述和分析通信链路、轨道星座设计和管理。 7. 连接模块和三维显示模块：提供了三维视角下的场景展示和分析工具。 8. 工具条和鼠标操作：通过工具条上的各种工具按钮和鼠标操作简化了用户的操作流程。 9. 对象属性和活动关节：对场景中的对象进行属性设置，通过活动关节使得对象可以进行动态调整。 10. 模型开发环境和制作动画：提供编程接口用于开发定制化的分析模型，并允许用户制作模拟动画。 在课程内容中还提及了STK运动对象的分类，总共有六种运动对象：卫星、飞机、船、车辆、导弹和运载工具。此外，STK还允许用户定义特定的区域目标，但这种功能仅限于专业版。 场景的配置方面，STK允许用户设置时间周期、动画参数、时间步长以及数据单位。同时，用户能够定义地面站位置、使用不同的位置类型、输入经纬度、海拔高度、地方时偏差等参数，并根据地形数据定义特定的地面站属性。 STK在卫星轨道设计方面也提供了便捷的工具，如轨道向导可以快速定义多种类型的卫星轨道，包括太阳同步轨道、对地静止轨道、重复轨道、大椭圆轨道等。同时，STK还支持多种轨道预报方法，例如二体问题、J2摄动、MSOP、高精度轨道预报（HPOP）、低轨道预报（LOP）等。 STK的基本操作包括场景的创建和管理，场景对象的建立和配置，以及场景图形的设置。STK工具包括对场景对象的报告和图表分析，动态显示和图表的使用，以及可见性分析等高级分析功能。用户可通过STK的基本操作和工具完成从简单到复杂的航天任务分析和规划。 STK在航天领域中扮演了极为重要的角色，其覆盖模块、遥感、态势等标签所指的知识点，都是围绕着其在航天分析和任务规划方面所具备的功能和应用。通过这些功能，STK能够为用户提供强大的分析支持，极大地简化了航天任务的复杂度，使得航天任务规划和分析变得更加高效和精确。

【NOIP全题目1992-2008测试数据 题目 分析】 全国青少年信息学奥林匹克联赛（NOIP）是中国信息学奥赛的重要组成部分，旨在培养青少年的计算机编程能力、算法设计和问题解决技能。这个压缩包包含了1992年至2008年间的NOIP比赛试题及相关的测试数据，覆盖了不同难度级别的竞赛题目，包括提高组和普及组。 在学习和研究这些题目时，你可以深入理解以下几个关键知识点： 1. **算法基础**：NOIP的试题通常涉及到基础的排序算法（如冒泡排序、快速排序、归并排序）、搜索算法（如二分查找、深度优先搜索、广度优先搜索）、图论算法（如Dijkstra算法、Floyd算法）以及动态规划等。通过分析这些题目的解决方案，可以巩固对这些基本算法的理解。 2. **数据结构**：数据结构是编程的基础，包括数组、链表、栈、队列、树（二叉树、平衡树如AVL和红黑树）、图等。在解题过程中，选择合适的数据结构能显著提高算法效率。 3. **字符串处理**：字符串匹配（如KMP算法、Boyer-Moore算法）、模式匹配、字符串操作（如反转、子串查找）等都是NOIP中常见的问题，对字符串处理的熟练掌握至关重要。 4. **数学思维**：很多NOIP题目与数学紧密相连，如数论（质数判断、模运算）、组合数学（排列组合、容斥原理）、图论中的数学模型等，需要运用数学思维来解决问题。 5. **逻辑推理**：部分题目需要进行复杂的逻辑推理，例如构造、证明和反证法，这对于提升逻辑思维能力和问题解决能力大有裨益。 6. **编码技巧**：编写高效、简洁的代码是竞赛中必须掌握的技能，包括代码优化、避免冗余计算、使用位运算等。 7. **调试与测试**：学会使用调试工具，编写测试用例以验证算法的正确性，这在实际编程中同样重要。 通过研究这些历年试题，你可以不断提升自己的算法设计能力、问题分析能力和编程实践能力。对于提高组的题目，挑战更高难度的问题，有助于准备更高级别的竞赛，如NOI（全国青少年信息学奥林匹克竞赛）和IOI（国际信息学奥林匹克竞赛）。对于普及组的题目，适合初学者逐步建立编程基础和算法思维。 此外，"NOIP95-03标程"可能包含了一些早期比赛的标准答案或参考实现，这对于初学者理解和验证自己的解题思路非常有帮助。每个文件名代表了一年的NOIP赛事，你可以按照时间线逐个攻克，系统地回顾中国信息学奥赛的历史和发展。

EmailSpider邮箱搜索器支持外贸，当前支持 百度、Google、Yahoo、Bing搜索引擎 搜索结果。（Google为国际站 非hk）智能挖掘功能，深入企业网站自动寻址搜索邮箱，当前仅支持中英文，后续版

双色球EXCEL全攻略6-9加权式旋转矩阵3+12中6保5.pdf